Eindringungserkennung für netzwerkbasierte Cloud-Computing durch kundenspezifisches RC-NN und Optimierung

Die Eindringungserkennung spielt eine entscheidende Rolle bei der Gewährleistung der Informationssicherheit und die Schlüsseltechnologie besteht zudem darin, verschiedene Angriffe präzise zu klassifizieren. Das Eindringungserkennungssystem (IDS) wird als ein wichtiges Sicherheitsproblem in der Cloud-Netzwerkumgebung identifiziert. In diesem Papier wird ein IDS basierend auf einem innovativen, optimierten kundenspezifischen RC-NN (Recurrent Convolutional Neural Network) vorgestellt, das für die Eindringungserkennung zusammen mit dem Ant Lion Optimierungsalgorithmus vorgeschlagen wird. Mit dieser Methode wird CNN (Convolutional Neural Network) mit LSTM (Long Short Term Memory) hybridisiert. Somit werden alle im Netzwerk-Layer der Cloud identifizierten Angriffe effizient klassifiziert. Die nachfolgenden experimentellen Ergebnisse beschreiben die Leistung des IDS-Klassifizierungsmodells mit hoher Genauigkeit, wodurch die Erkennungsrate verbessert bzw. die Fehlerrate verringert wird. Das optimierte kundenspezifische RC-NN-IDS-Modell erreichte somit eine verbesserte Klassifizierungsgenauigkeit von 94 % sowie eine verringerte Fehlerrate von 0,0012. Zusätzlich werden die True Positive Rate, True Negative Rate und Präzision als Leistungsmetriken betrachtet. Der vorgeschlagene Ansatz wurde unter Verwendung der DARPA IDS Evaluations-Datensätze und des CSE-CIC-IDS2018-Datensatzes bewertet und mit einigen bestehenden Ansätzen verglichen.